Python爬蟲之模擬知乎登錄
經常寫爬蟲的都知道，有些頁面在登錄之前是被禁止抓取的，比如知乎的話題頁面就要求用戶登錄才能訪問，而 “登錄” 離不開 HTTP 中的 Cookie 技術。
登錄原理
Cookie 的原理非常簡單，因為 HTTP 是一種無狀態的協議，因此為了在無狀態的 HTTP 協議之上維護會話（session）狀態，讓服務器知道當前是和哪個客戶在打交道，Cookie 技術出現了 ，Cookie 相當於是服務端分配給客戶端的一個標識。
cookie
- 瀏覽器第一次發起 HTTP 請求時，沒有攜帶任何 Cookie 信息
- 服務器把 HTTP 響應，同時還有一個 Cookie 信息，一起返回給瀏覽器
- 瀏覽器第二次請求就把服務器返回的 Cookie 信息一起發送給服務器
- 服務器收到HTTP請求，發現請求頭中有Cookie字段， 便知道之前就和這個用戶打過交道了。
實戰應用
用過知乎的都知道，只要提供用戶名和密碼以及驗證碼之後即可登錄。當然，這只是我們眼中看到的現象。而背後隱藏的技術細節就需要藉助瀏覽器來挖掘了。現在我們就用 Chrome 來查看當我們填完表單後，究竟發生了什麼？
（如果已經登錄的，先退出）首先進入知乎的登錄頁面 www.zhihu.com/#signin ，打開 Chrome 的開發者工具條（按 F12）先嚐試輸入一個錯誤的驗證碼觀察瀏覽器是如何發送請求的。
從瀏覽器的請求可以發現幾個關鍵的信息
- 登錄的 URL 地址是 www.zhihu.com/login/email
- 登錄需要提供的表單數據有4個：用戶名（email）、密碼（password）、驗證碼（captcha）、_xsrf。
- 獲取驗證碼的URL地址是 www.zhihu.com/captcha.gif…
_xsrf 是什麼？如果你對CSRF（跨站請求偽造）攻擊非常熟悉的話，那麼你一定知道它的作用，xsrf是一串偽隨機數，它是用於防止跨站請求偽造的。它一般存在網頁的 form 表單標籤中，為了證實這一點，可以在頁面上搜索 “xsrf”，果然，_xsrf在一個隱藏的 input 標籤中
摸清了瀏覽器登錄時所需要的數據是如何獲取之後，那麼現在就可以開始寫代碼用 Python 模擬瀏覽器來登錄了。登錄時所依賴的兩個第三方庫是 requests 和 BeautifulSoup，先安裝
pip install beautifulsoup4==4.5.3
pip install requests==2.13.0
複製代碼
http.cookiejar 模塊可用於自動處理HTTP Cookie，LWPCookieJar 對象就是對 cookies 的封裝，它支持把 cookies 保存到文件以及從文件中加載。
而 session 對象 提供了 Cookie 的持久化，連接池功能，可以通過 session 對象發送請求
首先從cookies.txt 文件中加載 cookie信息，因為首次運行還沒有cookie，所有會出現 LoadError 異常。
from http import cookiejar
session = requests.session()
session.cookies = cookiejar.LWPCookieJar(filename='cookies.txt')
try:
session.cookies.load(ignore_discard=True)
except LoadError:
print("load cookies failed")
複製代碼
獲取 xsrf
前面已經找到了 xsrf 所在的標籤，，利用 BeatifulSoup 的 find 方法可以非常便捷的獲取該值
def get_xsrf():
response = session.get("https://www.zhihu.com", headers=headers)
soup = BeautifulSoup(response.content, "html.parser")
xsrf = soup.find('input', attrs={"name": "_xsrf"}).get("value")
return xsrf
複製代碼
獲取驗證碼
驗證碼是通過 /captcha.gif 接口返回的，這裡我們把驗證碼圖片下載保存到當前目錄，由人工識別，當然你可以用第三方支持庫來自動識別，比如 pytesser。
def get_captcha():
"""
把驗證碼圖片保存到當前目錄，手動識別驗證碼
:return:
"""
t = str(int(time.time() * 1000))
captcha_url = 'https://www.zhihu.com/captcha.gif?r=' + t + "&type=login"
r = session.get(captcha_url, headers=headers)
with open('captcha.jpg', 'wb') as f:
f.write(r.content)
captcha = input("驗證碼：")
return captcha
複製代碼
登錄
一切參數準備就緒之後，就可以請求登錄接口了。
def login(email, password):
login_url = 'https://www.zhihu.com/login/email'
data = {
'email': email,
'password': password,
'_xsrf': get_xsrf(),
"captcha": get_captcha(),
'remember_me': 'true'}
response = session.post(login_url, data=data, headers=headers)
login_code = response.json()
print(login_code['msg'])
for i in session.cookies:
print(i)
session.cookies.save()
複製代碼
請求成功後，session 會自動把 服務端的返回的cookie 信息填充到 session.cookies 對象中，下次請求時，客戶端就可以自動攜帶這些cookie去訪問那些需要登錄的頁面了。
源碼：https://github.com/lzjun567/crawler_html2pdf/blob/master/zhihu/auto_login.py